3 transaksi penjualan pada Gelael Candi
Semarang menggunakan
aturan asosiasi. Alogoritma yang digunakan
adalah algoritma FP-Growth untuk menentukan himpunan yang sering
muncul yang nantinya akan dijadikan sebagai acuan untuk merumuskan
aturan-aturan asosiasi. Hasil aturan asosiasi
tersebut dianalisa
untuk menentukan barang apa saja yang
memiliki keterkaitan yang dilihat dari segi kebiasaan konsumen membeli
barang tersebut.
2. METODE 2.1 Data Mining
Menurut Turban dalam bukunya yang berjudul “Decision Support System and
Intelligent Systems ”, Data Mining
adalah suatu istilah yang digunakan untuk
menguraikan penemuan
pengetahuan didalam basis data. Data Mining
adalah proses
yang menggunakan
teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi
dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang
terkait dari berbagai basis data besar [11]. Menurut Gartner Group data
mining adalah suatu proses menemukan hubungan yang berarti, pola, dan
kecenderungan
dengan memeriksa
dalam sekumpulan besar data yang tersimpan
dalam penyimpanan
menggunakan teknik pengenalan pola seperti statistik dan matematika [12].
2.2 Market Basket Analysis
Market basket analysis adalah suatu metodologi untuk melakukan analisis
buying habit
konsumen dengan
menemukan asosiasi antar beberapa item yang berbeda, yang diletakkan
konsumen dalam shopping basket yang dibeli pada suatu transaksi tertentu.
Tujuan dari market basket adalah untuk mengetahui produk-produk mana yang
mungkin akan dibeli secara bersamaan. Analisis
data transaksi
dapat menghasilkan pola pembelian produk
yang sering terjadi. Teknik ini telah banyak digunakan oleh toko grosir
maupun retail [11].
Market Basket Analysis memanfaatkan data transaksi penjualan untuk dianalisis
kemudian menemukan pola item-item yang secara bersamaan dalam suatu
transaksi. Salah satu manfaat dari Market Basket Analysis merancang
strategi penjualan atau pemasaran dengan memanfaatkan data penjualan
yang ada di perusahan yaitu :
1. Dengan mengubah tata letak toko, menempatkan
item-item barang
secara berdekatan yang sering di beli
secara bersamaan
oleh konsumen.
2. Memberikan diskon kepada item barang yang jarang di beli dan
mahal.
2.3 Association Rules
Analisa asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiasif antara suatu kombinasi item. Contoh aturan
asosoasif dari analisis pembelian di suatu pasar swalayan adalah dapat
diketahuinya berapa besar kemungkinan seorang
pelanggan membeli
roti bersamaan
dengan susu.
Dengan pengetahuan tersebut, pemilik pasar
swalayan dapat mengatur penempatan barangnya atau merancang kampanye
pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu.
Karena
analisis asosiasi
menjadi terkenal
karena aplikasinya
untuk menganalisis isi keranjang belanja
dipasar swalayan, analisis asosiasi juga sering disebut Market Basket Analysis
[15].
4
2.4 Support dan Confidence
Menurut Erwin [16], ada dua ukuran parameter dalam analisa asosiasi yaitu:
1. Support adalah pengukuran untuk
menunjukan seberapa besar tingkat dominasi
suatu item
dari keseluruhan transaksi.
2. Confidence adalah
pengukuran untuk menunjukan hubungan antar
dua item berdasarkan suatu kondisi tertentu.
Kedua ukuran ini nantinya berguna dalam menentukan kekuatan suatu pola
dengan membandingkan pola tersebut dengan nilai minimum kedua parameter
yang ditentukan oleh pengguna. Bila suatu pola memenuhi kedua nilai
minimum
parameter yang
sudah ditentukan maka sebuah pola dapat
disebut interesting rule atau strong rule. Association Rule biasanya dinyatakan
dalam bentuk : {roti,mentega} - {susu} support = 40, confidence =
50 Yang artinya : ”50 dari transaksi di database yang memuat item
roti dan mentega juga memuat item susu. Sedangkan 40 dari seluruh
transaksi yang ada di database memuat ketiga item tersebut. Dapat juga
diartikan : Seorang konsumen yang membeli roti dan mentega punya
kemungkinan 50 untuk juga membeli susu. Aturan tersebut cukup akurat
karena mewakili 40 dari catatan transaksi yang ada
”. Metodologi dasar Association Rule
terbagi menjadi dua tahap [15], yaitu : a. Analisa Pola Frekuensi Tinggi
Tahap ini mencari pola item yang memenuhi syarat minimum dari nilai
support dalam database . Nilai support sebuah item diperoleh dengan rumus
berikut :
� �
= Jumlah transaksi mengandung A
Total Transaksi 1
Pada rumus 1 menjelaskan bahwa nilai support diperoleh dengan cara mencari
jumlah transaksi yang mengandung nilai A satu item dibagi dengan jumlah
keseluruhan transaksi. Sedangkan nilai support dari 2 item diperoleh dari rumus
berikut :
� � , = � ∩ 2
� � ,
= Transaksi mengandung A dan B
Transaksi 3
Pada rumus 3 menjelaskan bahwa nilai support diperoleh dengan cara mencari
jumlah transaksi yang mengandung nilai A dan B item pertama bersamaan
dengan item yang lain dibagi dengan jumlah keseluruhan transaksi.
b. Pembentukan Aturan Asosiatif Setelah semua pola frekuensi tinggi
ditemukan, kemudian mencari aturan asosiatif
yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan assosiatif A-B dari support pola frekuensi tinggi
A dan B, menggunakan rumus berikut :
� =
� =
Transaksi mengandung A dan B Transaksi mengandung A
4 Pada rumus 4 menjelaskan bahwa nilai
confidence diperoleh
dengan cara
mencari jumlah
transaksi yang
mengandung nilai A dan B item pertama bersamaan dengan item yang
lain dibagi dengan jumlah transaksi yang mengandung A item pertama.
Secara garis
besar, metodologi
Association Rule dapat dilihat pada gambar 2.2 dibawah ini.
5 Gambar 0.1 Metodelogi Association
Rule
2.5. FP-Growth
